Modeluję wpływ ciąży na wynik choroby (martwy-żywy). Około 40% pacjentów zaszło w ciążę po diagnozie, ale w różnych momentach. Do tej pory wykonałem wykresy KM pokazujące wyraźny ochronny wpływ ciąży na przeżycie, a także zwykły model Coxa - jednak zostały one modelowane przy użyciu tylko zdychotomicznej zmiennej ciążowej i zakładając, że efekt jest obecny od czasu diagnozy, co jest wyraźnie nierealne ponieważ mediana czasu do zajścia w ciążę wynosi 4 lata od diagnozy.
Jaki model pochłonąłby efekt ciąży mnogiej w różnych punktach czasowych po diagnozie? Czy poprawne byłoby modelowanie ciąż oddziaływujących w czasie (co wymagałoby poważnej rekonstrukcji danych - jakiekolwiek zautomatyzowane oprogramowanie, które mogłoby w tym pomóc?) Czy istnieje inna preferowana strategia modelowania tych problemów? Jaka jest preferowana strategia spisku dla tych problemów?
Odpowiedzi:
To, czego potrzebujesz tutaj, to zmienna towarzysząca w czasie i niekoniecznie zmienny w czasie współczynnik . Znanym przykładem, który może pomóc w twoich analizach, są dane z przeszczepu serca Stanforda .
Aby zaprezentować swoje wyniki, możesz użyć klasycznego estymatora Kaplana-Meiera, który bez problemu radzi sobie ze zmiennymi zmiennymi w czasie (pamiętaj jednak, że jest to prymitywna lub nieskorygowana analiza ze wszystkimi jej dobrze znanymi ograniczeniami).
Na przykład poniższy wykres pokazuje analizę danych HT Stanforda przy prawidłowym uwzględnieniu zmieniającego się w czasie statusu przeszczepu (górny panel) i bez uwzględnienia go (dolny panel).
źródło
W R można to rozwiązać za pomocą wersji start / stop obiektu Survival, np
Niniejszy dokument omawia to bardziej szczegółowo: http://cran.r-project.org/web/packages/survival/vignettes/timedep.pdf
źródło
Strzeż się nieśmiertelnego uprzedzenia czasowego w tej sytuacji. Twoja grupa w ciąży nieuchronnie przeżyje lepiej niż grupa nie będąca w ciąży, ponieważ nie możesz zajść w ciążę po śmierci (o ile mi wiadomo!)
źródło